[发明专利]基于隐私保护的线性回归特征显著性检验方法、装置

说明书

本说明书提供一种基于隐私保护的线性回归特征显著性检验方法、装置。一个方法实施例中，可以实现基于隐私保护的回归特征的两方线性回归系数的显著性检验。利用本说明书实施例的t检验的隐私保护计算方法，可以筛选出检验结果为显著、更加适用的特征，实现各个参与方所使用的特征的隐私保护的同时，可以使得利用多方数据建立更加精准、可靠的运算模型。

技术领域

本说明书实施例属于密码学中多方安全计算的隐私保护技术领域，尤其涉及一种基于隐私保护的线性回归特征显著性检验方法、装置。

背景技术

目前多方参与的数据共享应用场景中，共享数据通常由多个参与方提供，各个参与方的私有数据保留在本地，不进行明文的聚合。多个参与方数据需要统一建立模型时，需保证参与方输出的输出结果为私有的，对其他参与方是不可见的。

在数据共享的应用场景中，多个参与方通常需要共同参与建立相应的模型。例如使用机器学习模型来进行模型预。所述的模型通常可以包括采用某种算法建立的回归方程。回归方程中通常包括应用场景下采集的多种特征信息。这些特征信息通常作为回归方程的自变量，预测对象作为回归方程的因变量。一般的，当自变量与因变量确实存在某种关系时，建立的回归方程才有意义，而目前构建回归方程使用的特征信息多种多样。因此，作为自变量的特征信息与作为因变量的预测对象是否有关，相关程度如何、能否作为回归方程使用的特征等对最终构建的模型的数据效果影响重大。

发明内容

本说明书的目的在于提供一种基于隐私保护的线性回归特征显著性检验方法、装置，可以在多方参与计算需要隐私保护的场景下，实现对回归特征的显著性检验。

本说明书实施例提供的一种基于隐私保护的线性回归特征显著性检验方法、装置至少通过以下方式实现：

一种基于隐私保护的线性回归特征显著性检验方法，包括：

设置回归特征的回归系数在t检验中的原假设为零，各参与方基于多方安全计算的线性回归训练确定t检验中回归系数的估计值和联合矩阵的误差平方和的无偏估计值；

根据第一参与方持有的私有数据构成的第一原始矩阵、第二参与方持有的私有数据构成的第二原始矩阵确定的第二原始矩阵计算联合矩阵的对称矩阵的第一加法分片和第二加法分片；

基于所述第一加法分片和第二加法分片，两方联合计算隐私保护下的所述对称矩阵的逆矩阵的第一加法分片和第二加法分片；

基于所述逆矩阵的第一加法分片和第二加法分片、所述无偏估计值，第一参与方和第二参与方联合计算所述回归系数的标准差的第一加法分片和第二加法分片；

根据所述回归系数的标准差的第一加法分片和第二加法分片、回归系数的估计值计算回归特征的统计量；

根据所述统计量所对应的P值确定的t检验结果，确定回归特征的显著性检验结果。

一种基于隐私保护的线性回归特征显著性检验方法，包括：

第一参与方基于多方安全计算的线性回归训练确定t检验中回归特征的回归系数的估计值和联合矩阵的误差平方和的无偏估计值，其中，设置所述回归系数在t检验中的原假设为零；

第一参与方获取联合矩阵的对称矩阵的第一加法分片，所述联合矩阵根据第一参与方持有的私有数据构成的第一原始矩阵、第二参与方持有的私有数据构成的第二原始矩阵确定；

基于所述第一加法分片和第二参与方的第二加法分片，第一参与方通过与第二参与方联合计算隐私保护下的所述对称矩阵的逆矩阵的分片，得到所述逆矩阵的第一加法分片；

基于所述逆矩阵的第一加法分片和第二参与方的逆矩阵的第二加法分片、所述无偏估计值，第一参与方通过与第二参与方联合计算所述回归系数的标准差的分片，得到所述回归系数的标准差的第一加法分片；